Nhận thức lợi ích – rủi ro và ý định tiếp tục sử dụng Fintech của người dùng tại thành phố Hồ Chí Minh

à những nơi có hoạt động thươngmại lớn, hoạt động tài chính cũng rất sôi nổi do đó việc lựa chọn khảo sát ở các quận là có cơ sở. Bước tiếp theo, để tránh tình trạng làm phiền hoạt động làm việc nên nhóm nghiên cứu đến các doanh nghiệp để tiến hành xin khảo sát vào các khung giờ 7h đến 8h sáng, 11h30 đến 12h, và 16h30 đến 17h30 vì các khung giờ này đa phần đối tượng khảo sát sẽ ít việc hơn và khả năng cao sẽ phỏng vấn được tốt hơn. Tỷ lệ phân bổ cỡ mẫu tại các quận được mô tả trong Bảng 2. 978 Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 4(4):974-996 Hình 1: Mô hình nghiên cứua a(Nguồn: Nhóm nghiên cứu tổng hợp, 2020) Trong nghiên cứu này, tác giả xác định kích thước mẫu theo các phương pháp phân tích bao gồm: phân tích nhân tố khámphá, phân tích nhân tố khẳng định, và phân tích mô hình cấu trúc tuyến tính (SEM). An- derson và cộng sự48 cho rằng hạn chế lớn nhất của việc sử dụng phân tích mô hình cấu trúc tuyến tính là cỡ mẫu, cỡ mẫu phải đủ lớn để các hiệp phương sai được ổn định thì cỡ mẫu tối thiểu 200 là phù hợp, nhưng tốt hơn là 300. Tác giả tiến hành điều tra 472 đáp viên do đó số liệu thu thập đảm bảo thực hiện tốt các kiểm định trong mô hình nghiên cứu. Phương pháp phân tích dữ liệu Phân tíchmô hình cấu trúc tuyến tính (SEM) đã được sử dụng nhiều trong các nghiên cứu về mối quan hệ nhân quả trong nhiều lĩnh vực khác nhau, và khi nghiên cứu về mối quan hệ giữa nhận thức lợi ích, nhận thức rủi ro và tiếp tục sử dụng Fintech của người dùng thì các nghiên cứu cũng sử dụng phương pháp phân tích mô hình cấu trúc tuyến tính để tiến hành đánh giá các mối liên hệ với nhau như trong nghiên cứu của Ryu8. Vì vậy, trong nghiên cứu này tác giả cũng sử dụng mô hình cấu trúc tuyến tính SEM để phân tích các mối quan hệ giữa nhận thức lợi ích, nhận thức rủi ro và ý định tiếp tục sử dụng Fintech của người dùng tại thành phố Hồ Chí Minh. Để đảm bảo kết quả phân tíchmô hình cấu trúc tuyến tính, tác giả tiến hành đánh giá các chỉ số đạt yêu cầu như sau: Chi-square/df 0,9, hệ số GFI > 0,9, hệ số TLI > 0,9, và hệ số RMSEA < 0,0835. KẾT QUẢNGHIÊN CỨU VÀ KIỂM ĐỊNH GIẢ THUYẾT Mô tả cỡmẫu nghiên cứu Bảng 3 cho thấy, trong tổng số 472 đáp viên thì có 282 đáp viên là nam (chiếm 59,7%) và 190 đáp viên là nữ (chiếm 40,3%), độ tuổi của các bạn trẻ từ 18 đến 29 tuổi là 185 đáp viên (chiếm39,2%) và độ tuổi từ 30 đến 39 tuổi là 287 đáp viên (chiếm 60,8%), trình độ học vấn đại học chiếm cao nhất với 234 đáp viên (chiếm 49,6%). Mức độ sử dụng Fintech thành thạo có 395 đáp viên (chiếm 83,7%), tần suất sử dụng hàng tuần là chiếm cao nhất với 372 đáp viên (chiếm 78,8%), dịch vụ tài chính sử dụng chủ yếu là chuyển tiền (61,7%) và thanh toán (33,3%), thời gian sử dụng từ 18 tháng trở xuống chiếm cao nhất với 300 đáp viên (chiếm 63,6%). Đánh giá độ tin cậy thang đo và phân tích nhân tố khám phá 979 Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 4(4):974-996 Bảng 2: Mô tả các biến trongmô hình nghiên cứu Stt Địa bàn khảo sát Số lượng đáp viên (chấp nhận trả lời) Tỷ lệ (%) 1 Quận 1 36 7,62 2 Quận 2 31 6,56 3 Quận 3 29 6,14 4 Quận 4 24 5,08 5 Quận 5 20 4,23 6 Quận 6 26 5,50 7 Quận 7 28 5,93 8 Quận 8 19 4,02 9 Quận 9 18 3,81 10 Quận 10 33 6,99 11 Quận 11 27 5,72 12 Quận 12 21 4,44 13 Quận Gò Vấp 30 6,35 14 QuậnThủ Đức 18 3,81 15 Quận BìnhThạnh 22 4,66 16 Quận Tân Phú 23 4,87 17 Quận Phú Nhuận 24 5,08 18 Quận Tân Bình 19 4,02 19 Quận Bình Tân 24 5,08 Tổng 472 100 (Nguồn: Nhóm nghiên cứu tổng hợp, 2020) Đánhgiá thangđobằnghệ số Cronbach’s Al- pha Nhóm nghiên cứu tiến hành kiểm định hệ số Cron- bach’s Alpha các biến thành phần trong thang đo. Cụ thể, tất cả các thang đo đều có hệ số Cronbach’s Al- pha lớn hơn 0,6, đạt yêu cầu và các hệ số tương quan biến tổng của các biến quan sát đều lớn hơn 0,3 vì vậy các biến quan sát đủ điều kiện sẽ tiến hành phân tích nhân tố khám phá ở bước tiếp theo (Bảng 4). 980 Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 4(4):974-996 Bảng 3: Thống kêmẫu khảo sát Tiêu chí Tần suất Tỷ lệ Tiêu chí Tần suất Tỷ lệ 1. Giới tính 5. Trình độ học vấn Nam 282 59,7% Thạc sỹ 8 1,7% Nữ 190 40,3% Đại học 234 49,6% Tổng 472 100% Cao đẳng 198 41,9% 2. Độ tuổi Trung cấp 32 6,8% Từ 18 đến 29 tuổi 185 39,2% Tổng 472 100% Từ 30 đến 39 tuổi 287 60,8% 6. Ứng dụng của Fintech được sử dụng Tổng 472 100% Chuyển tiền 291 61,7% 3. Mức độ sử dụng Gửi tiền tiết kiệm 41 8,7% Thành thạo 395 83,7% Thanh toán 157 33,3% Chưa thành thạo 77 16,3% Vay tiền 15 3,2% Tổng 472 100% 7. Thời gian sử dụng 4. Tần suất sử dụng Từ 03 tháng trở xuống 20 4,2% Mỗi ngày 54 11,4% Từ 06 tháng trở xuống 77 16,3% Hàng tuần 372 78,8% Từ 12 tháng trở xuống 300 63,6% Hàng tháng 37 7,8% Từ 18 tháng trở xuống 57 12,1% Dưới 06 tháng 01 lần 3 0,6% Từ 24 tháng trở xuống 6 1,3% Một năm 01 lần 6 1,3% Trên 24 tháng 12 2,5% Tổng 472 100% Tổng 472 100% (Nguồn: Kết quả nghiên cứu, 2020) 981 Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 4(4):974-996 Bảng 4: Phân tích hệ số Cronbach’s Alpha Tiêu chí Hệ số tương quan biến tổng Hệ số Cron- bach’s Al- pha Tiêu chí Hệ số tương quan biến tổng Hệ số Cron- bach’s Alpha 1. Nhận thức lợi ích 5. Nhận thức rủi ro NTLI1. Sử dụng các dịch vụ tài chính của Fintech có nhiều lợi ích. 0,776 0,868 NTRR1. Việc sử dụng các dịch vụ tài chính của Fintech không gắn liền với mức độ rủi ro cao. 0,525 0,727 NTLI2. Tôi có thể dễ dàng và nhanh chóng sử dụng các dịch vụ tài chính của Fintech. 0,798 NTRR2. Có một mức độ chắc chắn cao khi sử dụng các dịch vụ tài chính của Fin- tech. 0,672 NTLI3. Việc sử dụng dịch vụ tài chính của Fintech thì hữu ích (thuận tiện, chi phí, thời gian) cho tôi. 0,743 NTRR3. Tôi nghĩ rằng có rất ít rủi ro khi sử dụng các dịch vụ tài chính của Fintech so với các dịch vụ tài chính truyền thống. 0,462 NTLI4. Việc sử dụng dịch vụ tài chính của Fintech mang lại nhiều kết quả vượt trội hơn so với các dịch vụ tài chính truyền thống. 0,581 2. Lợi ích kinh tế 6. Rủi ro tài chính LIKT1. Việc sử dụng các dịch vụ tài chính của Fintech sẽ rẻ hơn so với dịch vụ tài chính truyền thống. 0,676 0,812 RRTC1. Thiệt hại tài chính không thể xảy ra khi tôi sử dụng các dịch vụ tài chính của Fintech. 0,735 0,871 LIKT2. Tôi có thể tiết kiệm nhiều hơn khi sử dụng các dịch vụ tài chính của Fintech. 0,668 RRTC2. Gian lận tài chính và gian lận thanh toán không thể xảy ra khi tôi sử dụng các dịch vụ tài chính của Fintech. 0,776 LIKT3. Tôi có thể sử dụng nhiều dịch vụ tài chính khác nhau với chi phí thấp khi tôi sử dụng các dịch vụ tài chính của Fintech. 0,652 RRTC3. Thiệt hại tài chính không thể xảy ra do thiếu khả năng liên kết (tương tác) với các dịch vụ khác khi tôi sử dụng các dịch vụ tài chính của Fintech. 0,748 3. Sự thuận tiện 7. Rủi ro bảo mật TT1. Tôi có thể sử dụng dịch vụ tài chính rất nhanh khi tôi sử dụng các dịch vụ tài chính của Fintech. 0,647 0,823 RRBM1. Tôi không lo lắng về việc bị lạm dụng thông tin tài chính của mình (ví dụ: giao dịch cá nhân hay thông tin cá nhân) khi tôi sử dụng các dịch vụ tài chính của Fintech. 0,692 0,845 Continued on next page 982 Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 4(4):974-996 Table 4 continued TT2. Tôi có thể sử dụng dịch vụ tài chính bất kỳ lúc nào, bất kỳ nơi đâu khi tôi sử dụng các dịch vụ tài chính của Fintech. 0,690 RRBM2. Thông tin tài chính của tôi an toàn khi tôi sử dụng các dịch vụ tài chính của Fintech. 0,707 TT3. Tôi có thể sử dụng các dịch vụ tài chính dễ dàng khi tôi sử dụng các dịch vụ tài chính của Fintech. 0,700 RRBM3. Tôi không lo lắng rằng ai đó có thể truy cập thông tin tài chính của tôi khi tôi sử dụng các dịch vụ tài chính của Fintech. 0,739 4. Giao lịch liên tục 8. Rủi ro hoạt động GDLT1. Tôi có thể kiểm soát tiền của mình mà không cần người trung gian (ngân hàng) kiểm tra khi tôi sử dụng các dịch vụ tài chính của Fintech. 0,593 0,865 RRHD1. Các công ty sở hữu Fintech sẵn sàng giải quyết các vấn đề khi xảy ra tổn thất tài chính hoặc rò rỉ thông tin tài chính của người dùng. 0,752 0,841 GDLT2. Tôi có thể sử dụng nhiều dịch vụ tài chính khác trong cùng một lúc khi tôi sử dụng các dịch vụ tài chính của Fintech. 0,851 RRHD2. Tôi không lo lắng về hoạt động của hệ thống các dịch vụ tài chính của Fintech. 0,710 GDLT3. Tôi có thể thực hiện các giao dịch ngang hàng giữa người dùng và nhà cung cấpmà không cần người trung gian khi tôi sử dụng các dịch vụ tài chính của Fintech. 0,802 RRHD3. Tôi không lo lắng các công ty sở hữu Fintech có thể bị sụp đổ (phá sản) dẫn đến tổn thất lớn cho người dùng. 0,660 9. Ý định tiếp tục sử dụng Fintech YDINH1. Tôi sẽ yêu thích các ứng dụng của Fintech hơn. 0,440 0,680 YDINH2. Tôi có ý định tiếp tục sử dụng các ứng dụng của Fintech. 0,580 YDINH3. Tôi sẽ sử dụng các ứng dụng của Fintech trong tương lai. 0,477 (Nguồn: Kết quả nghiên cứu, 2020) 983 Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 4(4):974-996 Đánh giá thang đo bằng phân tích nhân tố khámphá Kết quả phân tích nhân tố khám phá thang đo các nhân tố ảnh hưởng đến nhận thức lợi ích của người dùng khi sử dụng Fintech, được thực hiện với phương pháp Principal Axis Factoring và phép xoay Promax. Kết quả phân tích Bảng 5 cho thấy, giá trị KMO = 0,746 (0,5KMO= 0,746 1) và kiểm định Barlett’s về tương quan của các biến quan sát có giá trị Sig = 0,000 < 5% chứng tỏ các biến có liên quan chặt chẽ49. Giá trị tổng phương sai trích = 64,533% (>50%) đạt yêu cầu và cho biết các biến thành phần trong thang đo các nhân tố ảnh hưởng đến nhận thức lợi ích của người dùng khi sử dụng Fintech giải thích được 64,533% độ biến thiên của dữ liệu và được giải thích bởi các nhân tố như ban đầu và không có sự xáo trộn giữa các biến. Kết quả phân tích nhân tố khám phá thang đo các nhân tố ảnh hưởng đến nhận thức rủi ro của người dùng khi sử dụng Fintech, được thực hiện với phương pháp Principal Axis Factoring và phép xoay Promax. Kết quả phân tích Bảng 6 cho thấy, giá trị KMO = 0,810 (0,5  KMO = 0,810  1) và kiểm định Bar- lett’s về tương quan của các biến quan sát có giá trị Sig = 0,000 < 5% chứng tỏ các biến có liên quan chặt chẽ49. Giá trị tổng phương sai trích = 67,648% (>50%) đạt yêu cầu và cho biết các biến thành phần trong thang đo các nhân tố ảnh hưởng đến nhận thức rủi ro của người dùng khi sử dụng Fintech giải thích được 67,648% độ biến thiên của dữ liệu và được giải thích bởi các nhân tố như ban đầu và không có sự xáo trộn giữa các biến. Kết quả phân tích nhân tố khám phá thang đo nhận thức lợi ích của người dùng khi sử dụng Fintech, được thực hiện với phương pháp Principal Axis Factoring và phép xoay Promax. Kết quả phân tích Bảng 7 cho thấy, giá trị KMO= 0,786 (0,5KMO= 0,786 1) và kiểm định Barlett’s về tương quan của các biến quan sát có giá trị Sig = 0,000 < 5% chứng tỏ các biến có liên quan chặt chẽ49. Giá trị tổng phương sai trích = 64,327% (>50%) đạt yêu cầu và cho biết các biến thành phần trong thang đo nhận thức lợi ích của người dùng khi sử dụng Fintech giải thích được 64,327% độ biến thiên của dữ liệu và được giải thích bởi các biến như ban đầu. Kết quả phân tích nhân tố khám phá thang đo nhận thức rủi ro của người dùng khi sử dụng Fintech, được thực hiện với phương pháp Principal Axis Factoring và phép xoay Promax. Kết quả phân tích Bảng 8 cho thấy, giá trị KMO= 0,611 (0,5KMO= 0,611 1) và kiểm định Barlett’s về tương quan của các biến quan sát có giá trị Sig = 0,000 < 5% chứng tỏ các biến có liên quan chặt chẽ49. Giá trị tổng phương sai trích = 52,120% (>50%) đạt yêu cầu và cho biết các biến thành phần trong thang đo nhận thức rủi ro của người dùng khi sử dụng Fintech giải thích được 52,120% độ biến thiên của dữ liệu và được giải thích bởi các biến như ban đầu. Kết quả phân tích nhân tố khám phá thang đo ý định tiếp tục sử dụng Fintech của người dùng, được thực hiện với phương pháp Principal Components và phép xoay Varimax. Kết quả phân tích Bảng 9 cho thấy, giá trị KMO = 0,629 (0,5  KMO = 0,629  1) và kiểm định Barlett’s về tương quan của các biến quan sát có giá trị Sig = 0,000 < 5% chứng tỏ các biến có liên quan chặt chẽ49. Giá trị tổng phương sai trích = 61,109% (>50%) đạt yêu cầu và cho biết các biến thành phần trong thang đo ý định tiếp tục sử dụng Fintech của người dùng giải thích được 61,109% độ biến thiên của dữ liệu và được giải thích bởi các biến như ban đầu. Kiểmđịnh thang đo bằngphân tích nhân tố khẳng định (CFA) Kết quả phân tích nhân tố khẳng định thang đo các nhân tố ảnh hưởng đến nhận thức lợi ích của người dùng khi sử dụng Fintech tại Bảng 10 cho thấy, tất cả các biến đều có trọng số chuẩn hóa cao > 0,5. Mô hình tới hạn có 23 bậc tự do, giá trị P của phép kiểm định Chi-square = 0,000; Chi-square/df = 2,343 (<4); TLI = 0,977; CFI = 0,985; GFI = 0,975 (đều lớn hơn 0,9) và RMSEA= 0,053 (<0,08) tất cả đều đáp ứng tốt yêu cầu đề ra từ đó chứng tỏ các thành phần trong thang đo phù hợp với dữ liệu thị trường. Kết quả CFA cho thấy không có tương quan giữa các sai số đo lường (hệ số tương quan giữa các biến quan sát đều nhỏ hơn 1) nên đạt tính đơn hướng. Bên cạnh đó, kết quả phân tích CFA cho thấy tất cả các khái niệm nghiên cứu đều đạt giá trị phân biệt (mức ý nghĩa đều < 0,05) và tất cả các hệ số tương quan của từng cặp khái niệm khác biệt so với 1 ở độ tin cậy 95%. Kết quả phân tích nhân tố khẳng định thang đo các nhân tố ảnh hưởng đến nhận thức rủi ro của người dùng khi sử dụng Fintech tại Bảng 11 cho thấy, tất cả các biến đều có trọng số chuẩn hóa cao > 0,5. Mô hình tới hạn có 20 bậc tự do, giá trị P của phép kiểm định Chi-square =0,000; Chi-square/df = 3,497 (<4); TLI = 0,959; CFI = 0,977; GFI = 0,969 (đều lớn hơn 0,9) và RMSEA= 0,073 (<0,08) tất cả đều đáp ứng tốt yêu cầu đề ra từ đó chứng tỏ các thành phần trong thang đo phù hợp với dữ liệu thị trường. Kết quả CFA cho thấy không có tương quan giữa các sai số đo lường (hệ số tương quan giữa các biến quan sát đều nhỏ hơn 1) nên đạt tính đơn hướng. Bên cạnh đó, kết quả phân tích CFA cho thấy tất cả các khái niệm nghiên cứu đều đạt 984 Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 4(4):974-996 Bảng 5: Phân tích nhân tố khám phá thang đo các nhân tố ảnh hưởng đến nhận thức lợi ích của người dùng Fintech Tên biến Nhân tố Giao dịch liên tục Sự thuận tiện Lợi ích kinh tế GDLT2. Tôi có thể sử dụng nhiều dịch vụ tài chính khác trong cùng một lúc khi tôi sử dụng các dịch vụ tài chính của Fintech. 0,978 0,031 -0,023 GDLT3. Tôi có thể thực hiện các giao dịch ngang hàng giữa người dùng và nhà cung cấpmà không cần người trung gian khi tôi sử dụng các dịch vụ tài chính của Fintech. 0,899 -0,040 0,054 GDLT1. Tôi có thể kiểm soát tiền của mình mà không cần người trung gian (ngân hàng) kiểm tra khi tôi sử dụng các dịch vụ tài chính của Fintech. 0,620 -0,008 -0,050 TT3. Tôi có thể sử dụng các dịch vụ tài chính dễ dàng khi tôi sử dụng các dịch vụ tài chính của Fintech. -0,003 0,883 -0,079 TT2. Tôi có thể sử dụng dịch vụ tài chính bất kỳ lúc nào, bất kỳ nơi đâu khi tôi sử dụng các dịch vụ tài chính của Fintech. 0,022 0,735 0,078 TT1. Tôi có thể sử dụng dịch vụ tài chính rất nhanh khi tôi sử dụng các dịch vụ tài chính của Fintech. -0,040 0,689 0,062 LIKT2. Tôi có thể tiết kiệm nhiều hơn khi sử dụng các dịch vụ tài chính của Fintech. -0,042 -0,050 0,814 LIKT1. Việc sử dụng các dịch vụ tài chính của Fintech sẽ rẻ hơn so với dịch vụ tài chính truyền thống. -0,019 -0,003 0,794 LIKT3. Tôi có thể sử dụng nhiều dịch vụ tài chính khác nhau với chi phí thấp khi tôi sử dụng các dịch vụ tài chính của Fintech. 0,058 0,138 0,656 Hệ số KMO = 0,746 Mức ý nghĩa kiểm định Barlett = 0,000 Phương sai trích = 64,533% (Nguồn: Kết quả nghiên cứu, 2020) giá trị phân biện (mức ý nghĩa đều < 0,05) và tất cả các hệ số tương quan của từng cặp khái niệm khác biệt so với 1 ở độ tin cậy 95%. Kết quả phân tích nhân tố khẳng định các thang đo nhận thức lợi ích, nhận thức rủi ro, và tiếp tục sử dụng Fintech của người dùng tại Bảng 12 cho thấy, tất cả các biến đều có trọng số chuẩn hóa cao > 0,5. Mô hình tới hạn có 31 bậc tự do, giá trị P của phép kiểm định Chi-square =0,000; Chi-square/df = 3,214 (<4); TLI = 0,944; CFI = 0,961; GFI = 0,960 (đều lớn hơn 0,9) và RMSEA= 0,069 (<0,08) tất cả đều đáp ứng tốt yêu cầu đề ra từ đó chứng tỏ các thành phần trong thang đo phù hợp với dữ liệu thị trường. Kết quả CFA cho thấy không có tương quan giữa các sai số đo lường (hệ số tương quan giữa các biến quan sát đều nhỏ hơn 1) nên đạt tính đơn hướng. Bên cạnh đó, kết quả phân tích CFA cho thấy tất cả các khái niệm nghiên cứu đều đạt giá trị phân biệt (mức ý nghĩa đều < 0,05) và tất cả các hệ số tương quan của từng cặp khái niệm khác biệt so với 1 ở độ tin cậy 95%. Kiểm định mô hình cấu trúc tuyến tính (SEM) Kết quả phân tích mô hình SEM lần 1 tại Bảng 13 cho thấy, mô hình tới hạn có 239 bậc tự do, giá trị P của phép kiểm định Chi-square =0,000; Chi-square/df = 2,297 (<4); TLI = 0,929; CFI = 0,938; GFI = 0,900 (đều lớn hơn 0,9) và RMSEA = 0,052 (<0,08) tất cả đều đáp ứng tốt yêu cầu, chứng tỏ các thành phần trong thang đo phù hợp với dữ liệu thị trường. Kết quả còn cho thấy, có hai nhân tố có mối quan hệ tuyến tính với ý định tiếp tục sử dụng Fintech của người dùng là nhân tố nhận thức lợi ích và nhận thức rủi ro ởmức ý nghĩa thống kê 1%, nhân tố nhận thức lợi ích bị ảnh hưởng bởi lợi ích kinh tế và sự thuận tiện ở mức ý nghĩa 1%, và nhân tố nhận thức rủi ro bị ảnh hưởng bởi rủi ro tài chính và rủi ro bảo mật ở mức ý nghĩa 1%. Riêng nhân tố giao dịch liên tục không có tác động đến nhận 985 Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 4(4):974-996 Bảng 6: Phân tích nhân tố khám phá thang đo các nhân tố ảnh hưởng đến nhận thức rủi ro của người dùng Fintech Tên biến Nhân tố Rủi ro tài chính Rủi ro bảo mật Rủi ro hoạt động RRTC2. Gian lận tài chính và gian lận thanh toán không thể xảy ra khi tôi sử dụng các dịch vụ tài chính của Fintech. 0,913 -0,037 -0,071 RRTC3. Thiệt hại tài chính không thể xảy ra do thiếu khả năng liên kết (tương tác) với các dịch vụ khác khi tôi sử dụng các dịch vụ tài chính của Fintech. 0,827 0,001 0,008 RRTC1. Thiệt hại tài chính không thể xảy ra khi tôi sử dụng các dịch vụ tài chính của Fintech. 0,767 0,028 0,060 RRBM2. Thông tin tài chính của tôi an toàn khi tôi sử dụng các dịch vụ tài chính của Fintech. -0,051 0,835 -0,022 RRBM3. Tôi không lo lắng rằng ai đó có thể truy cập thông tin tài chính của tôi khi tôi sử dụng các dịch vụ tài chính của Fintech. 0,018 0,830 0,031 RRBM1. Tôi không lo lắng về việc bị lạm dụng thông tin tài chính của mình (ví dụ: giao dịch cá nhân hay thông tin cá nhân) khi tôi sử dụng các dịch vụ tài chính của Fintech. 0,021 0,767 -0,032 RRHD1. Các công ty sở hữu Fintech sẵn sàng giải quyết các vấn đề khi xảy ra tổn thất tài chính hoặc rò rỉ thông tin tài chính của người dùng. -0,138 -0,009 0,950 RRHD2. Tôi không lo lắng về hoạt động của hệ thống các dịch vụ tài chính của Fintech. 0,050 -0,075 0,801 RRHD3. Tôi không lo lắng các công ty sở hữu Fintech có thể bị sụp đổ (phá sản) dẫn đến tổn thất lớn chongười dùng 0,173 0,122 0,618 Hệ số KMO = 0,810 Mức ý nghĩa kiểm định Barlett = 0,000 Phương sai trích = 67,648% (Nguồn: Kết quả nghiên cứu, 2020) Bảng 7: Phân tích nhân tố khám phá thang đo nhận thức lợi ích của người dùng Fintech Tên biến Nhân tố Nhận thức lợi ích NTLI2. Tôi có thể dễ dàng và nhanh chóng sử dụng các dịch vụ tài chính của Fintech. 0,885 NTLI1. Sử dụng các dịch vụ tài chính của Fintech có nhiều lợi ích. 0,845 NTLI3. Việc sử dụng dịch vụ tài chính của Fintech thì hữu ích (thuận tiện, chi phí, thời gian) cho tôi. 0,833 NTLI4. Việc sử dụng dịch vụ tài chính của Fintech mang lại nhiều kết quả vượt trội hơn so với các dịch vụ tài chính truyền thống. 0,619 Hệ số KMO = 0,786 Mức ý nghĩa kiểm định Barlett = 0,000 Phương sai trích = 64,327% (Nguồn: Kết quả nghiên cứu, 2020) 986 Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 4(4):974-996 Bảng 8: Phân tích nhân tố khám phá thang đo nhận thức rủi ro của người dùng Fintech Tên biến Nhân tố Nhận thức rủi ro NTRR2. Có một mức độ chắc chắn cao khi sử dụng các dịch vụ tài chính của Fintech. 0,960 NTRR1. Việc sử dụng các dịch vụ tài chính của Fintech không gắn liền với mức độ rủi ro cao. 0,606 NTRR3. Tôi nghĩ rằng có rất ít rủi ro khi sử dụng các dịch vụ tài chính của Fintech so với các dịch vụ tài chính truyền thống. 0,525 Hệ số KMO = 0,611 Mức ý nghĩa kiểm định Barlett = 0,000 Phương sai trích = 52,120% (Nguồn: Kết quả nghiên cứu, 2020) Bảng 9: Phân tích nhân tố khám phá thang đo nhận thức rủi ro của người dùng Fintech Tên biến Nhân tố Ý định tiếp tục sử dụng YDINH2. Tôi có ý định tiếp tục sử dụng các ứng dụng của Fintech. 0,844 YDINH3. Tôi sẽ sử dụng các ứng dụng của Fintech trong tương lai. 0,767 YDINH1. Tôi sẽ yêu thích các ứng dụng của Fintech hơn. 0,729 Hệ số KMO = 0,629 Mức ý nghĩa kiểm định Barlett = 0,000 Phương sai trích = 61,109% (Nguồn: Kết quả nghiên cứu, 2020) thức lợi ích và nhân tố rủi ro hoạt động không có tác động đến nhận thức rủi ro do hai nhân tố này có mức ý nghĩa thống kê lớn hơn 10% và sẽ bị loại ra khỏi mô hình nghiên cứu, tác giả đủ cơ sở để bác bỏ giả thuyết H4 và H8 do có mức ý nghĩa thống kê lớn hơn 10%. Đối với nhân tố giao dịch liên tục không ảnh hưởng đến nhận thức lợi ích là do trong thực tế, người sử dụng chỉ sử dụng Fintech cho mỗi giao dịch khác nhau, ít có người sử dụng cùng lúc nhiều giao dịch liên tục do đó nhân tố này trong thực tế không có ảnh hưởng đến nhận thức lợi ích của người dùng. Đối với nhân tố rủi ro hoạt động, nhân tố này thể hiện khả năng người dùng sẽ bị nhiều tổn thất lớn khi tổ chức tài chính bị ảnh hưởng, hay sụp đổ các tổ chức tài chính, nhưng tại Việt Nam với hệ thống tài chính chặt chẽ, cùng với sự quản lý của nhà nước nên người sử dụng Fintech cho rằng hầu như việc các tổ chức sụp đổ là điều khó có thể xảy ra do đó nhân tố này trong thực tế không có ảnh hưởng đến nhận thức rủi ro của người dùng. Kết quả phân tích mô hình SEM lần 2 tại Hình 2 cho thấy, tất cả các thành phần đưa vào trongmô hình đều có ý nghĩa thống kê ở mức 1%, mô hình có 198 bậc tự do, giá trị Chi-square có p = 0,000, các kiểm địnhmức độ phù hợp chung củamô hình cấu trúc với các chỉ số Chi-square/df = 2,496 (<4); GFI = 0,916; TLI = 0,932; CFI = 0,942 (>= 0,9); RMSEA = 0,056 (<0,08) chứng tỏ mô hình phù hợp với dữ liệu thị trường. THẢO LUẬN KẾT QUẢNGHIÊN CỨU Đối với nhân tố nhận thức lợi ích của người dùng Fin- tech bị ảnh hưởng bởi sự thuận tiện và lợi ích kinh tế ở mức ý nghĩa 1% và hai nhân tố này giải thích được 85% sự biến động của nhận thức lợi ích của người dùng Fintech, trong đó sự thuận tiện có tác động lớn nhất đến nhận thức lợi ích của người dùng Fintech (Bảng 14), tác giả có đủ cơ sở để chấp nhận giả thuyết H3 vàH5. Kết quả nghiên cứunày phùhợp với nghiên cứu của các nhà nghiên cứu khác8,10,13. Đối với nhân tố nhận thức rủi ro của người dùng Fin- tech bị ảnh hưởng bởi rủi ro tài chính và rủi ro bảo mật ở mức ý nghĩa 1% và hai nhân tố này giải thích được 18,2% sự biến động của nhận thức rủi ro của người dùng Fintech, trong đó rủi ro tài chính có tác động lớn nhất đến nhận thức rủi ro của người dùng Fintech (Bảng 14), tác giả có đủ cơ sở để chấp nhận giả thuyếtH6 vàH7. Kết quả nghiên cứu này phù hợp với các nghiên cứu của các nhà nghiên cứu khác8,10. Ý định tiếp tục sử dụng các dịch vụ tài chính của Fin- tech thì bị tác động tích cực bởi nhân tố nhận thức lợi 987 Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 4(4):974-996 Bảng 10: Phân tích nhân tố khẳng định thang đo các nhân tố ảnh hưởng đến nhận thức lợi ích của người dùng Fintech Mối quan hệ Chưa chuẩn hóa Chuẩn hóa Trọng số Sai lệch chuẩn Giá trị tới hạn CR Mức ý nghĩa Trọng số LIKT3 <— LOIICHKT 1,000 0,777 LIKT2 <— LOIICHKT 1,143 0,075 15,237 *** 0,757 LIKT1 <— LOIICHKT 1,180 0,076 15,454 *** 0,773 TT3 <— THUANTIEN 1,000 0,797 TT2 <— THUANTIEN 1,000 0,061 16,477 *** 0,809 TT1 <— THUANTIEN 0,878 0,057 15,356 *** 0,735 GDLT3 <— GIAODICHLT 1,000 0,886 GDLT2 <— GIAODICHLT 1,099 0,044 25,238 *** 0,993 GDLT1 <— GIAODICHLT 0,640 0,042 15,408 *** 0,609 P-value =0,000; df = 23; Chi-square/df = 2,343; TLI = 0,977; CFI = 0,985; GFI = 0,975; RMSEA = 0,053 (Nguồn: Kết quả nghiên cứu, 2020) Bảng 11: Phân tích nhân tố khẳng định thang đo các nhân tố ảnh hưởng đến nhận thức rủi ro của người dùng Fintech Mối quan hệ Chưa chuẩn hóa Chuẩn hóa Trọng số Sai lệch chuẩn Giá trị tới hạn CR Mức ý nghĩa Trọng số RRTC3 <— RRTAICHINH 1,000 0,828 RRTC2 <— RRTAICHINH 0,992 0,051 19,314 *** 0,849 RRTC1 <— RRTAICHINH 0,970 0,053 18,415 *** 0,797 RRHD3 <— RRHOATDONG 1,000 0,757 RRHD2 <— RRHOATDONG 1,161 0,069 16,908 0,796 RRHD1 <— RRHOATDONG 1,178 0,069 17,138 *** 0,850 RRBM3 <— RRBAOMAT 1,000 0,854 RRBM2 <— RRBAOMAT 0,931 0,054 17,197 0,778 RRBM1 <— RRBAOMAT 0,980 0,058 17,036 *** 0,769 P-value=0,000; df = 20; Chi-square/df = 3,497; TLI = 0,959; CFI = 0,977; GFI = 0,969; RMSEA = 0,073 (Nguồn: Kết quả nghiên cứu, 2020) 988 Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 4(4):974-996 Bảng 12: Phân tích nhân tố khẳng định thang đo nhận thức lợi ích, nhận thức rủi ro, và ý định tiếp tục sử dụng Fintech của người dùng Mối quan hệ Chưa chuẩn hóa Chuẩn hóa Trọng số Sai lệch chuẩn Giá trị tới hạn CR Mức ý nghĩa Trọng số NTLI1 <— NTLOIICH 1,000 0,821 NTLI2 <— NTLOIICH 1,047 0,047 22,422 *** 0,868 NTLI3 <— NTLOIICH 1,136 0,052 21,736 *** 0,878 NTLI4 <— NTLOIICH 0,896 0,060 14,830 *** 0,665 NTRR3 <— NTRUIRO 1,000 0,529 NTRR2 <— NTRUIRO 1,988 0,237 8,387 *** 0,955 NTRR1 <— NTRUIRO 1,258 0,125 10,039 *** 0,609 YDINH1 <— YDINH 1,000 0,592 YDINH2 <— YDINH 1,473 0,152 9,670 *** 0,762 YDINH3 <— YDINH 0,938 0,102 9,179 *** 0,605 P-value=0,000; df = 31; Chi-square/df = 3,214; TLI = 0,944; CFI = 0,961; GFI = 0,960; RMSEA = 0,069 (Nguồn: Kết quả nghiên cứu, 2020) Bảng 13: Kết quả phân tíchmô hình cấu trúc tuyến tính lần 1 Mối quan hệ Trọng số Sai lệch chuẩn Giá trị tới hạn CR Mức ý nghĩa NTLOIICH <— LOIICHKT 0,526 0,060 8,815 *** NTLOIICH <— THUANTIEN 0,583 0,054 10,763 *** NTLOIICH <— GIAODICHLT -0,002 0,050 -0,042 0,967 NTRUIRO <— RRTAICHINH 0,146 0,033 4,457 *** NTRUIRO <— RRBAOMAT 0,126 0,035 3,609 *** NTRUIRO <— RRHOATDONG -0,017 0,036 -0,486 0,627 YDINH <— NTLOIICH 0,323 0,039 8,220 *** YDINH <— NTRUIRO -0,212 0,069 -3,058 0,002 P-value =0,000;df = 239; Chi-square/df = 2,297; TLI = 0,929; CFI = 0,938; GFI = 0,900; RMSEA = 0,052 (Nguồn: Kết quả nghiên cứu, 2020) 989 Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 4(4):974-996 ích và bị tác động tiêu cực bởi nhân tố nhận thức rủi ro của người dùng ở mức ý nghĩa 1% và hai nhân tố trên giải thích được 32,7% sự biến động của ý định tiếp tục sử dụng Fintech của người dùng, trong đó nhân tố nhận thức lợi ích có tác động lớn nhất đến ý định tiếp tục sử dụng Fintech của người dùng (Bảng 14), tác giả có đủ cơ sở để chấp nhận giả thuyết H1 và H2. Trong thực tế, người dùng quan tâm đến lợi ích nhận được nhiều hơn là rủi ro họ có thể gặp phải khi sử dụng Fintech, và người dùng sử dụng Fintech để giao dịch các khoản có giá trị nhỏ vì vậy nhân tố lợi ích được người dùng Fintech cân nhắc nhiều hơn so với nhân tố rủi ro khi sử dụng Fintech của người dùng. Kết quả nghiên cứu này phù hợp với nghiên cứu của 8. Kết quả phân tích mô hình SEM với đối tượng người sử dụng thành thạo và chưa thành thạo các dịch vụ tài chính của Fintech tại Bảng 15 cho thấy: Đối với người sử dụng chưa thành thạo các ứng dụng của Fin- tech, nhận thức lợi ích bị ảnh hưởng bởi lợi ích kinh tế và sự thuận tiện, và nhận thức lợi ích có tác động tích cực đến ý định tiếp tục sử dụng các dịch vụ tài chính của Fintech do có mức ý nghĩa thống kê nhỏ hơn 1%. Tuy nhiên, nhận thức rủi ro bị tác động bởi rủi ro tài chính, và không có tác động đến ý định tiếp tục sử dụng các dịch vụ tài chính của Fintech, do có mức ý nghĩa thống kê lớn hơn 10% (Hình 3). Đối với người sử dụng thành thạo các ứng dụng của Fin- tech, nhận thức lợi ích cũng bị ảnh hưởng bởi lợi ích kinh tế và sự thuận tiện, và nhận thức lợi ích có tác động tích cực đến ý định tiếp tục sử dụng các dịch vụ tài chính của Fintech do có mức ý nghĩa thống kê nhỏ hơn 1%. Ngược lại, nhận thức rủi ro bị tác động bởi rủi ro tài chính và rủi ro bảo mật, và có tác động tiêu cực đến ý định tiếp tục sử dụng các dịch vụ tài chính của Fintech, do có mức ý nghĩa thống kê lớn hơn 10% (Hình 4). Dựa trên các phân tích trên, bác bỏ giả thuyết H9, vì nhận thức lợi ích có tác động đến ý định tiếp tục sử dụng thành thạo và chưa thành thạo các dịch vụ tài chính của Fintech tại mức ý nghĩa 1%. Ngược lại, chấp nhận giả thuyết H10, do nhận thức rủi ro chỉ có tác động đến ý định tiếp tục sử dụng thành thạo các dịch vụ tài chính của Fintech, và không có tác động đến ý định tiếp tục sử dụng chưa thành thạo các dịch vụ tài chính của Fintech. KẾT LUẬN VÀHÀMÝ Nghiên cứu tiến hành điều tra phỏng vấn 472 khách hàng có độ tuổi từ 18 đến 39 tuổi đang sống và làm việc tại thành phố Hồ Chí Minh để đánh giá nhận thức lợi ích – rủi ro và ý định tiếp tục sử dụng Fin- tech của người dùng, nghiên cứu sử dụng các phương pháp phân tích thống kê mô tả, phân tích hệ số Cron- bach’s Alpha, phân tích nhân tố khám phá, phân tích nhân tố khẳng định, và phân tích mô hình cấu trúc tuyến tính. Kết quả nghiên cứu thể hiện một số điểm như sau: Thứ nhất, nhận thức lợi ích của người dùng Fintech bị ảnh hưởng tích cực bởi lợi ích kinh tế và sự thuận tiện của việc sử dụng Fintech, kết quả nghiên cứu này phù hợp với nghiên cứu của các nhà nghiên cứu khác8,10,11, do đó để khuyến khích người dùng tiếp tục sử dụng Fintech thì các tổ chức tín dụng nên tập trung vào cải thiện chất lượng dịch vụ, cải thiện các quy trình nhằm tăng lợi ích kinh tế khi sử dụng Fin- tech, và liên tục đổi mới, cải thiện đường truyền của Fintech để đảm bảo người dùng có thể thoải mái sử dụng, thuận tiện khi cần thiết từ đó nâng cao nhận thức lợi ích của người dùng khi sử dụng Fintech. Thứ hai, nhận thức rủi ro của người dùng Fintech bị ảnh hưởng bởi rủi ro tài chính và rủi ro bảo mật của Fintech, kết quả nghiên cứu này phù hợp với nghiên cứu của các nhà nghiên cứu khác8,10, do đó để khuyến khích người dùng tiếp tục sử dụng Fintech thì các tổ chức tín dụng nên tập trung vào việc liên tục nâng cao các lớp bảomật nhằm đảm bảo không xảy ra rủi ro tài chính và bảo mật từ đó giảm thiểu nhận thức rủi ro của người dùng Fintech. Thứ ba, ý định tiếp tục sử dụng Fintech của người dùng bị ảnh hưởng tích cực bởi nhận thức lợi ích và bị tác động tiêu cực bởi nhận thức rủi ro, kết quả nghiên cứu này phù hợp với nghiên cứu của các nhà nghiên cứu khác8,10–13, do đó để khuyến nghị người dùng tiếp tục sử dụng Fintech thì các tổ chức tín dụng nên quan tâm đến các nhân tố thuộc về nhận thức lợi ích và nhận thức rủi ro theo hướng tăng nhận thức về lợi ích và giảm thiểu tối đa rủi ro trong quá trình sử dụng từ đó khuyến khích họ tiếp tục sử dụng Fintech. Thứ tư, đối người người sử dụng chưa thành thạo các ứng dụng của Fintech, nhận thức lợi ích bị ảnh hưởng bởi lợi ích kinh tế và sự thuận tiện, và ý định tiếp tục sử dụng các dịch vụ tài chính của Fintech bị tác động tích cực bởi nhận thức lợi ích và không bị tác động bởi nhận thức rủi ro. Trong đó, nhận thức rủi ro bị tác động bởi rủi ro tài chính. Thứ năm, đối người người sử dụng thành thạo các ứng dụng của Fintech, nhận thức lợi ích cũng bị ảnh hưởng bởi lợi ích kinh tế và sự thuận tiện, và nhận thức lợi ích có tác động tích cực đến ý định tiếp tục sử dụng các dịch vụ tài chính của Fintech nhưng nhận thức rủi ro có tác động tiêu cực đến ý định tiếp tục sử dụng các dịch vụ tài chính của Fintech, và bị tác động bởi rủi ro tài chính và rủi ro bảo mật. Mặc dù, nghiên cứu có những kết quả nhất định nhưng nghiên cứu cũng có một số hạn chế, chẳng hạn như: Thứ nhất, nghiên cứu sử dụng phương pháp chọn mẫu thuận tiện, phương pháp này có hạn chế là 990 Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 4(4):974-996 Hình 2: Phân tích mô hình cấu trúc tuyến tính hiệu chỉnha a(Nguồn: Kết quả nghiên cứu, 2020) Bảng 14: Kết quả phân tíchmô hình cấu trúc tuyến tính hiệu chỉnh Mối quan hệ Trọng số chưa chuẩn hóa Trọng số chuẩn hóa Sai lệch chuẩn Giá trị tới hạn CR Mức ý nghĩa Kết luận NTLOIICH <— LOIICHKT 0,509 0,430 0,060 8,474 0,000 Chấp nhận H3 NTLOIICH <— THUANTIEN 0,598 0,586 0,054 10,981 0,000 Chấp nhận H5 NTRUIRO <— RRTAICHINH 0,140 0,282 0,031 4,513 0,000 Chấp nhận H6 NTRUIRO <— RRBAOMAT 0,119 0,220 0,033 3,610 0,000 Chấp nhận H7 YDINH <— NTLOIICH 0,322 0,546 0,039 8,206 0,000 Chấp nhận H1 YDINH <— NTRUIRO -0,212 -0,170 0,069 -3,066 0,002 Chấp nhận H2 Chi-square/df = 2,496; GFI = 0,916; TLI = 0,932; CFI = 0,942; RMSEA = 0,056 (Nguồn: Kết quả nghiên cứu, 2020) 991 Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 4(4):974-996 Hình 3: Phân tích mô hình cấu trúc tuyến tính: trường hợp chưa sử dụng thành thạoa a(Nguồn: Kết quả nghiên cứu, 2020) Hình 4: Phân tích mô hình cấu trúc tuyến tính: trường hợp sử dụng thành thạoa a(Nguồn: Kết quả nghiên cứu, 2020) 992 Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 4(4):974-996 Bảng 15: Kết quả phân tíchmô hình cấu trúc tuyến tính theomức độ sử dụng Mối quan hệ Trọng số chưa chuẩn hóa (chưa thành thạo) Mức ý nghĩa Trọng số chưa chuẩn hóa (thành thạo) Mức ý nghĩa NTLOIICH <— LOIICHKT 0,294 0,004 0,576 0,000 NTLOIICH <— THUANTIEN 0,946 0,000 0,503 0,000 NTRUIRO <— RRTAICHINH 0,270 0,001 0,100 0,002 NTRUIRO <— RRBAOMAT 0,103 0,200 0,118 0,000 YDINH <— NTLOIICH 0,210 0,005 0,348 0,000 YDINH <— NTRUIRO -0,038 0,763 -0,283 0,000 Chi-square/df = 1,904; GFI = 0,881; TLI = 0,920; CFI = 0,931; RMSEA = 0,044 (Nguồn: Kết quả nghiên cứu, 2020) không cần chú ý đến tính đại diện tổng thể mà chỉ chú ý đến tính thuận tiện cho người nghiên cứu 50; Thứ hai, việc kiểm định mô hình trên một số mẫu nhất định, mặc dù rút ra hàm ý khuyến khích người dùng tiếp tục sử dụng các dịch vụ tài chính của Fin- tech, nhưng do cỡ mẫu hạn chế có thể làm hạn chế khả năng tổng quát của nghiên cứu; Thứ ba, nghiên cứu chỉ tiến hành trên đối tượng có độ tuổi từ 18 đến 40 tuổi, và chưa xem xét các đối tượng ở những độ tuổi khác, điều này cũng là hạn chế của nghiên cứu. Cuối cùng, các nghiên cứu tiếp theo có thể mở rộng thêm đối tượng nghiên cứu là người dùng ở nhiều độ tuổi khác nhau, và xem xét sự khác nhau như thế nào giữa đặc điểm cá nhân người sử dụng đối với các dịch vụ tài chính của Fintech. DANHMỤC CÁC CHỮ VIẾT TẮT CFA: Confirmatory Factor Analysis CFI: Comparative Fit Index EFA: Exploratory Factor Analysis Fintech: Financial Technology GFI: Goodness of Fix Index GIAODICHLT: Giao dịch liên tục KMO: Kaiser-Meyer-Olkin LOIICHKT: Lợi ích kinh tế NTLOIICH: Nhận thức lợi ích NTRUIRO: Nhận thức rủi ro RRTAICHINH: Rủi ro tài chính RRHOATDONG: Rủi ro hoạt động RRBAOMAT: Rủi ro bảo mật RMSEA: Root Mean Square Error Approximation SEM: Structural Equation Modeling THUANTIEN: Sự thuận tiện TLI: Tucker & Lewis Index YDINH: Ý định tiếp tục sử dụng TUYÊN BỐ XUNGĐỘT Nhóm tác giả xin cam đoan rằng không có bất kì xung đột lợi ích nào trong công bố bài báo. ĐÓNGGÓP CỦA TÁC GIẢ Các tác giả đều đóng góp như nhau trong việc thực hiện bài báo nghiên cứu, trong đó tác giả Nguyễn HoàngMinh chịu trách nhiệm chính về nội dung toàn bài báo nghiên cứu. Tác giả NguyễnHoàngMinh: xây dựng khung nghiên cứu và viết kết quả nghiên cứu; tác giả LêThịThúyVi vàHứa LêThiênBảo: tổng quan lý thuyết, xây dựng mô hình nghiên cứu, thu thập và xử lý dữ liệu. TÀI LIỆU THAMKHẢO 1. Schueffed P. Taming the beast: A scientific definition of Fin- tech. Journal of Innovation Management. 2019;4(4):32–54. Available from: https://doi.org/10.2139/ssrn.3097312. 2. Lee TH, Kim HW. An exploratory study on fintech industry in Korea: Crowdfunding case. Proceedings in International Con- ference on Innovative Engineering Technologies Bangkok. 2015;Available from: 7333E0815045.pdf. 3. Barberis J. The rise of Fintech: Getting Hong Kong to lead the digital financial transition in APAC. Fintech report Fintech HK. 2014;. 993 Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 4(4):974-996 4. Chishti S, Barberis J. The Fintech Book: The financial technol- ogy handbook for investors, entrepreneurs and visionaries. Chichester. UK: John Wiley & Sons Ltd. 2016;Available from: https://doi.org/10.1002/9781119218906. 5. Pwc. Blurred lines: How Fintech is shaping Financial Service - Global Fintech Report. 2016;Available from: 20FinTech%20Global%20Report.pdf. 6. ISB. Fintech tại Việt Nam: nắm bắt xu hướng để phát triển. 2018;Available from: https://isb.edu.vn/mba/fintech-tai-viet- nam-nam-bat-xu-huong-de-phat-trien/. 7. Thức ĐC. Bàn về xu hướng FINTECH trong lĩnh vực ngân hàng và những chuyển động ban đầu ở Việt Nam. 2017;Available from: https://www.sbv.gov.vn/ webcenter/portal/vi/menu/rm/apph/tcnh/tcnh_chitiet? leftWidth=20%25&showFooter=false&showHeader=false& dDocName=SBV312981&rightWidth=0%25¢erWidth= 80%25&_afrLoop=2489398884050539#%40%3F_afrLoop% 3D2489398884050539%26centerWidth%3D80%2525% 26dDocName%3DSBV312981%26leftWidth%3D20% 2525%26rightWidth%3D0%2525%26showFooter%3Dfalse% 26showHeader%3Dfalse%26_adf.ctrl-state%3Dti6edkkn5_9. 8. Ryu HS. What makes users willing or hesitant to use Fintech? The moderating effect of user type Industrial Management & Data Systems. 2018;Available from: https://doi.org/10.1108/ IMDS-07-2017-0325. 9. Davis FD, Bagozzi RP, Warshaw PR. User acceptance of com- puter technology: A comparison of two theoretical models. Management Science. 1989;35(8):982–1003. Available from: https://doi.org/10.1287/mnsc.35.8.982. 10. Chuang LM, Liu CC, Kao HK. The adoption of Fintech service: TAM perspective. International Journal of Management and Administrative Sciences. 2016;3(7):1–15. 11. Jin CC, Seong LC, Khin AA. Factors Affecing the consumer ac- ceptance towards Fintech products and services in Malaysia. International Journal of Asian Social Science. 2019;9(1):59–65. Available from: https://doi.org/10.18488/journal.1.2019.91.59. 65. 12. Huei CT, Cheng LS, Seong LC, Khin CC, Bin RLL. Preliminary study on consumer attitude towards Fintech procducts and services in Malaysia. International Journal of Engineering & Technology. 2018;7(2.29):166–169. Available from: https: //doi.org/10.14419/ijet.v7i2.29.13310. 13. Meyliana, Fermando R, Surjandy. The influence of perceived risk and trust in adoption of Fintech services in Indonesia. Communication & Informantion Technology. 2019;13(1):31– 37. Available from: https://doi.org/10.21512/commit.v13i1. 5708. 14. Thanh ND, Thi CH. Mô hình chấp nhận và sử dụng ngân hàng điện tử ở Việt Nam. Tạp chí phát triển khoa học & công nghệ. 2011;14(2):97–105. 15. Thảo LPTD, Liên NM. Nhân tố ảnh hưởng đến việc lựa chọn sử dụng Internet banking của khách hàng khu vực miền Tây Nam Bộ. Tạp chí Công nghệ ngân hàng. 2013;. 16. Tuyết LTK. Nghiên cứuđộng cơ sửdụngdịch vụ internet bank- ing của người tiêu dùng tại thành phố Đà Nẵng. Tạp chí đại học Đông Á. 2011;4:17–27. 17. TheGlobal Fintech IndexCity Rankings Report. Theglobal Fin- tech Index. 2020;Available from: https://fintechworldreport. com/. 18. Arner DW, Barberis JN, Buckley R. The evolution of Fintech: A new post-crisis Paradigm? University of Hong Kong. 2015;p. 1–46. Available from: https://doi.org/10.2139/ssrn.2676553; https://core.ac.uk/download/pdf/38088713.pdf. 19. Freedman RS. Introduction to financial technology. Academic press New York. 2006;. 20. Puschmann TF. Bus Inf Syst Eng. 2017;59(1):69–76. Available from: https://doi.org/10.1007/s12599-017-0464-6. 21. Wilkie WL, Pessemier EA. Issues in marketing’s use of multi- attribute attitude models. Journal of Marketing Research. 1973;10(4):428–441. Available from: https://doi.org/10.1177/ 002224377301000411. 22. Peter JP, Tarpey LX. A comparativeanalysis of three con- sumer decision strategies. Journal of Consumer Research. 1975;2(1):29–37. Available from: https://doi.org/10.1086/ 208613. 23. FishbeinM,Ajzen I. Belief, attitude, intention andbehavior: An introduction to theory and research. Addison Wesley, Read- ing, MA. 1975;. 24. Jurison J. The role of risk and return in information tech- nology outsourcing decisions. Journal of Information Technology. 1995;Available from: https://doi.org/10.1177/ 026839629501000404. 25. Kim DJ, Ferrin DL, Rao HR. Atrust-based consumer decision- making model in electronic commerce: The role of trust, per- ceived risk, and their antecedents. Decision Support Systems. 2008;44(2):544–564. Available from: https://doi.org/10.1016/j. dss.2007.07.001. 26. LeeMC. Factors influencing the adoption of internet banking: An integration of TAM and TPB with perceived risk and per- ceived benefit. Electronic Commerce Research and Applica- tions. 2009;8(3):130–141. Available from: https://doi.org/10. 1016/j.elerap.2008.11.006. 27. Lee H, Park H, Kim J. Why do people share their context infor- mation on social network services? A qualitative study and an experimental study on users’ behavior of balancing perceived benefit and risk. International Journal of Human-Computer Studies. 2013;71(9):862–877. Available from: https://doi.org/ 10.1016/j.ijhcs.2013.01.005. 28. Favivar S, Yuan Y. The dual perspective of social commerce adoption. Proceeding in SIGHCI 2014. 2014;p. 1–6. Avail- able from: https://aisel.aisnet.org/cgi/viewcontent.cgi?article= 1003&context=sighci2014. 29. Melewar T, Alwi S, Tingchi Liu M, Brock JL, Cheng Shi G, Chu R, Tseng TH. Perceived benefits, perceived risk, and trust: Influ- ences on consumers’ group buying behaviour5-48. . Asia Pa- cific Journal of Marketing and Logistics. 2013;25(2):22. Avail- able from: https://doi.org/10.1108/13555851311314031. 30. Benlian A, Hess T. Opportunities and risk of software as a ser- vice: Findings froma surveyof IT executives. Decision Support Systems. 2011;52(1):232–246. Available from: https://doi.org/ 10.1016/j.dss.2011.07.007. 31. Liu Y, Yang Y, Li H. A Unified risk-benefit analysis frame- work for investigating mobile payment adoption. Pro- ceedings in International Conference on Mobile Business 2012. 2012;Available from: https://pdfs.semanticscholar.org/ 3ca5/876ceb04ee0228c5fdc5121f1b3c95eb9030.pdf. 32. Abramova S, Bohme R. Perceived benefit and risk as multidimensional determinants of Bitcoin use: A quan- titative exploratory study. Proceedings in International Conference on Informantion Systems 2016. Dublin. 2016;1(20). Available from: https://informationsecurity. uibk.ac.at/pdfs/Abramova2016_Bitcoin_ICIS.pdfhttps: //doi.org/10.17705/4icis.00001. 33. Kuo-Chuen DL, Teo EG. Emergence of FinTech and the LASIC principles. Journal of Financial Perspectives. 2015;3(3):24–36. 34. Mackenzie A. The fintech revolution. London Business School Review. 2015;26(3):50–53. Available from: https://doi.org/10. 1111/2057-1615.12059. 35. Gerber EM, Hui JS, Kuo, PY. Crowdfunding: Why people are motivated to post and fun projects on crowdfunding plat- forms. Proceedings in international workshop on design, in- fluence, and social technologies: Techniques, impacts and Ethics. 2012;. 36. Lee E, Lee B. Herding behavior in online P2P lending: An em- pirical investigation. Electronic Commerce Research and Ap- plications. 2012;11(5):495–503. Available from: https://doi. org/10.1016/j.elerap.2012.02.001. 37. Zavolokina L, Dolata M, Schwabe G. FinTech transformation: How IT-enabled innovations shape the financial sector. Pro- ceedings in International Workshop on Enterprise Applica- tions and Services in the Finance Industry. 2016;Available from: https://doi.org/10.1007/978-3-319-52764-2_6. 994 Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 4(4):974-996 38. Sharma S, Gutiérrez JA. An evaluation framework for viable business models for mcommerce in the information technol- ogy sector. Electronic Markets. 2010;20(1):33–52. Available from: https://doi.org/10.1007/s12525-010-0028-9. 39. Kim C, Mirusmonov M, Lee I. An empirical examination of fac- tors influencing the intention to use mobile payment. Com- puters in Human Behavior. 2010;26(3):310–322. Available from: https://doi.org/10.1016/j.chb.2009.10.013. 40. Okazaki S, Mendez F. Exploring convenience in mobile com- merce: Moderating effects of gender. Computers in Human Behavior. 2013;29(3):1234–1242. Available from: https://doi. org/10.1016/j.chb.2012.10.019. 41. Shen YC, Huang CY, Chu CH, Hsu CT. A benefit-cost perspec- tive of the consumer adoption of the mobile banking system. Behaviour & Information Technology. 2010;29(5):497–511. Available from: https://doi.org/10.1080/01449290903490658. 42. Cunningham SM. The major dimensions of perceived risk. Risk Taking and Informantion Handling in Consumer Behav- ior. 1967;1:82–111. 43. Forsythe S, Liu C., Shannon D, Gardne LC. Developmemt of a scale to measure the perceived benefits and risks of online shopping. Journal of InteractiveMarketing. 2006;20(2):55–75. Available from: https://doi.org/10.1002/dir.20061. 44. Schierz PG, Schilke O, Wirtz BW. Understanding consumer acceptance of mobile payment services: An empirical anal- ysis. Electronic Commerce Research and Applications. 2010;9(3):209–216. Available from: https://doi.org/10.1016/j. elerap.2009.07.005. 45. Barakat A, Hussainey K. Bank governance, regulation, super- vision, and risk reporting: Evidence from operational risk dis- closures in European banks. International Review of Financial Analysis. 2013;30:254–273. Available from: https://doi.org/10. 1016/j.irfa.2013.07.002. 46. Karahanna E, Straub DW, Chervany NL. Information tech- nology adoption across time: A cross-sectional comparison of pre-adoption and post-adoption beliefs. MIS Quarterly. 1999;23(2):183–213. Available from: https://doi.org/10.2307/ 249751. 47. Rogers EM. Diffusion of innovations (4th ed.). The Free Press New York. 1995;. 48. Anderson JC, GerbingWD, Narayanan A. A comparison of two alternate residual goodness-of-fit indices. Journal of the Mar- ket Research Society. 1985;27(4):283–291. 49. TrọngH, NgọcNM. Phân tích dữ liệu nghiên cứu với SPSS. Nhà xuất bản Hồng Đức. 2008;. 50. Cành NT. Giáo trình Phương pháp và phương pháp luận Nghiên cứu khoa học kinh tế. Nxb Đại học Quốc gia Thành phố Hồ Chí Minh. 2004;. 995 Science & Technology Development Journal – Economics - Law and Management, 4(4):974-996 Open Access Full Text Article Research Article 1Ha Minh Phuc Company Limited 2Thien Bao Son Company Limited Correspondence Nguyen HoangMinh, Ha Minh Phuc Company Limited Email: minhnh19604@sdh.uel.edu.vn History  Received: 7/4/2020  Accepted: 16/5/2020  Published: 7/10/2020 DOI :10.32508/stdjelm.v4i4.605 Copyright © VNU-HCM Press. This is an open- access article distributed under the terms of the Creative Commons Attribution 4.0 International license. Perceiving benefit – risk and Fintech users’ continuance intention in Ho Chi Minh City Nguyen HoangMinh1,*, Hua Le Thien Bao2, Le Thi Thuy Vi2 Use your smartphone to scan this QR code and download this article ABSTRACT This study aimed to investigate the perceiving benefit – risk and the continuance intention to use Fintech inHoChiMinhCity. Thedatawas collected from472 respondents (under the ageof 40). The statistical software AMOS, the consistency coefficient measured with Cronbach's Alpha for scaling test, Exploratory Factor Analysis (EFA), Confirmatory Factor Analysis (CFA) and Structural Equation Modelling (SEM) were used for the analysis. The results show that users' benefit perception was explained by economic benefit and convenience, users' risk perception was explained by financial risk and security risk. Besides that, the benefit perception has a positive impact on the Fintech con- tinuance intention, while the risk perception has a negative influence on such an intention. The research results also show that there is a difference between clumsy and proficient users of Fintech applications, specifically: (1) For users who are not proficient in Fintech applications, benefit per- ception are affected by economic benefit and convenience, and Fintech's intention to continue using financial services is positively affected by benefit perception and not affected by risk percep- tion. In particular, risk perception is affected by financial risk; (2) For users who are proficient in Fintech applications, benefit perception are affected by economic benefit and convenience, and benefit perception have a positive impact on the intention to continue using Fintech's financial ser- vices, but risk perception has a negative impact on Fintech's intention to continue using its financial services, and is affected by financial risk and security risk. Key words: benefit, risk, intention, Fintech, Ho Chi Minh Cite this article : Minh N H, Bao H L T, Vi L T T. Perceiving bene it – risk and Fintech users’ continuance intention in Ho Chi Minh City . Sci. Tech. Dev. J. - Eco. Law Manag.; 4(4):974-996. 996